Listas de recomendações contextuais
Às vezes, as recomendações de item para usuário (personalizadas) não são relevantes o suficiente. Nesse caso, você pode usar as interações do usuário com diferentes itens para aprender também sobre relacionamentos de item para item (contextuais). Os relacionamentos de item para item são um dos cenários mais importantes que as recomendações podem fornecer, porque alimentam experiências como:
Comprar por alternativas
Engajamento contínuo
Descoberta e exploração
As pessoas também gostaram
Um dos canais de recomendações mais eficazes é a lista As pessoas também gostaram (ou compraram), mais comumente encontrada na página Detalhes do produto.
As pessoas também gostaram baseia-se em sinais explícitos (transacionais, visualizados recentemente) e cria uma forte relação entre os itens usando informações sobre o consumo de outros usuários.
Exemplos de As pessoas também gostaram:
Os compradores podem ver outras bolsas que os usuários compraram, além do produto original que estão pensando em comprar
As páginas de detalhes dos jogos Xbox sugerem outros jogos que os usuários baixaram
Sugerir artigos que outros usuários também leram além do artigo atual
As pessoas também viram
Outra maneira de modelar itens é usando um sinal de visualizações implícitas em vez de uma ação explícita, como curtida ou compra. Usando visualizações, podemos ajudar os usuários a navegar por conteúdo relacionado ou semelhante. Essa experiência permite que os usuários vejam o conteúdo que foi visualizado, mas com o qual outros usuários não interagiram explicitamente.
Exemplos de As pessoas também viram:
Outras pessoas que também viram este item ou serviço
Próximos artigos a serem lidos
Frequentemente comprados juntos (carrinho)
Frequentemente comprados juntos é um cenário de venda adicional baseado em itens já colocados no carrinho de compras. Esse cenário costuma ser chamado de "experiência de prateleira de doces". Ele aprende com outras cestas compradas (concluídas) anteriormente e retorna produtos complementares com base no que está atualmente no carrinho de um usuário. Esse cenário pode ser diferente dos relacionamentos de item para item, pois pode analisar a cesta inteira como uma entidade com significado.
Exemplos de Frequentemente comprados juntos:
A compra de um laptop pode sugerir um carregador, uma caneta Surface ou um mouse
A compra de óculos de sol e cachecol pode sugerir luvas, uma bolsa ou uma camisa
A compra de ovos e leite pode sugerir queijo ou chocolates
Recomendações visualmente semelhantes
Para alguns itens, a semelhança visual pode fornecer um ponto de vista adicional em vez de uma solução de filtragem colaborativa. Suponha que um consumidor esteja procurando um padrão de camisa floral semelhante ao que viu na loja. Com Comprar itens semelhantes, o Recomendações Inteligentes pode usar imagens de conteúdo para detectar produtos com atributos visuais semelhantes que proporcionam uma experiência de item para item diferente ao usuário.
Exemplos de Comprar itens semelhantes:
Comprar itens semelhantes
Comprar roupas de marca
Completar o look
Nesta imagem, você pode ver que os resultados agora retornam padrões de gradiente semelhantes ao item inicial.
Recomendações textualmente semelhantes
Às vezes, as imagens de conteúdo podem ter a mesma aparência (como uma garrafa de vinho) e a comparação por semelhança visual não é aplicável. Quando há uma descrição textual detalhada de um produto, uma semelhança textual pode ser gerada. Nesse caso, o Recomendações Inteligentes pode treinar uma rede neural para entender o texto escrito usado em descrições de itens. Para esses clientes, nossos modelos fornecem recomendações relevantes por meio da compreensão e interpretação de texto como um espaço alternativo de semelhança.
Exemplos de Recomendações textualmente semelhantes:
Sugerir vinho pela sua descrição
Locais de férias
Recomendações de artigos
Confira também
Ajustar os resultados
Usar listas de recomendações personalizadas
Fornecer listas de recomendações mais populares